#Загрузите датасет

library(dplyr)
## 
## Присоединяю пакет: 'dplyr'
## Следующие объекты скрыты от 'package:stats':
## 
##     filter, lag
## Следующие объекты скрыты от 'package:base':
## 
##     intersect, setdiff, setequal, union
data <- readRDS('life_expectancy_data.rds')

data <- data %>%
  rename_with(., ~ gsub(" ", "_", .x, fixed = TRUE))%>%
  rename_with(., ~ gsub("-", "_", .x, fixed = TRUE))

glimpse(data)
## Rows: 195
## Columns: 23
## $ Country                                 <chr> "Afghanistan", "Albania", "Alg…
## $ Year                                    <int> 2019, 2019, 2019, 2019, 2019, …
## $ Gender                                  <chr> "Female", "Female", "Female", …
## $ Life_expectancy                         <dbl> 66.388, 80.201, 78.133, 64.039…
## $ Unemployment                            <dbl> 14.065000, 11.322000, 18.62999…
## $ Infant_Mortality                        <dbl> 42.90000, 7.70000, 18.60000, 4…
## $ GDP                                     <dbl> 1.879945e+10, 1.540024e+10, 1.…
## $ GNI                                     <dbl> 1.909831e+10, 1.519866e+10, 1.…
## $ Clean_fuels_and_cooking_technologies    <dbl> 36.00000, 80.70000, 99.30000, …
## $ Per_Capita                              <dbl> 494.1793, 5395.6595, 3989.6683…
## $ Mortality_caused_by_road_traffic_injury <dbl> 15.90000, 11.70000, 20.90000, …
## $ Tuberculosis_Incidence                  <dbl> 189.0, 16.0, 61.0, 351.0, 0.0,…
## $ DPT_Immunization                        <dbl> 66.00000, 99.00000, 91.00000, …
## $ HepB3_Immunization                      <dbl> 66.00000, 99.00000, 91.00000, …
## $ Measles_Immunization                    <dbl> 64.00000, 95.00000, 80.00000, …
## $ Hospital_beds                           <dbl> 0.4322222, 3.0523077, 1.800000…
## $ Basic_sanitation_services               <dbl> 49.00617, 99.18307, 86.13850, …
## $ Tuberculosis_treatment                  <dbl> 91.00000, 88.00000, 86.00000, …
## $ Urban_population                        <dbl> 25.754, 61.229, 73.189, 66.177…
## $ Rural_population                        <dbl> 74.246, 38.771, 26.811, 33.823…
## $ Non_communicable_Mortality              <dbl> 36.20000, 6.00000, 12.80000, 1…
## $ Sucide_Rate                             <dbl> 3.60000, 2.70000, 1.80000, 2.3…
## $ continent                               <fct> Asia, Europe, Africa, Africa, …

#Сделайте интерактивный plotly график любых двух нумерических колонок. Раскрасть по колонке континента, на котором расположена страна

library(plotly)
## Warning: пакет 'plotly' был собран под R версии 4.3.2
## Загрузка требуемого пакета: ggplot2
## 
## Присоединяю пакет: 'plotly'
## Следующий объект скрыт от 'package:ggplot2':
## 
##     last_plot
## Следующий объект скрыт от 'package:stats':
## 
##     filter
## Следующий объект скрыт от 'package:graphics':
## 
##     layout
plot_ly(
  data = data[(data$Life_expectancy != 0) & (data$Unemployment != 0), ],
  x = ~Life_expectancy, y = ~Unemployment,
  color = ~continent
)%>%
layout(
    title = 'Отношение продолжительности жизни и безработицы',
    yaxis = list(title = 'Безработица',
                 zeroline = FALSE),  
    xaxis = list(title = 'Продолжительность жизни',
                 zeroline = FALSE))
## No trace type specified:
##   Based on info supplied, a 'scatter' trace seems appropriate.
##   Read more about this trace type -> https://plotly.com/r/reference/#scatter
## No scatter mode specifed:
##   Setting the mode to markers
##   Read more about this attribute -> https://plotly.com/r/reference/#scatter-mode

#Проведите тест, на сравнение распределений колонки Life expectancy между группами стран Африки и Америки. Вид статистического теста определите самостоятельно. Визуализируйте результат через библиотеку rstatix.

library(rstatix)
## Warning: пакет 'rstatix' был собран под R версии 4.3.2
## 
## Присоединяю пакет: 'rstatix'
## Следующий объект скрыт от 'package:stats':
## 
##     filter
library(ggpubr)
## Warning: пакет 'ggpubr' был собран под R версии 4.3.2
data %>% 
  get_summary_stats(Life_expectancy, type = "mean_sd")
## # A tibble: 1 × 4
##   variable            n  mean    sd
##   <fct>           <dbl> <dbl> <dbl>
## 1 Life_expectancy   195  75.5  7.68
ggqqplot(data[data$Life_expectancy,], 
         x = "Life_expectancy", facet.by = "continent")

#распределение продолжительности жизни в Америке не соответствует нормальному, нужен непараметрический тест

stat.test <- data %>% 
  filter(continent =='Africa' | continent == 'Americas') %>%
  wilcox_test(Life_expectancy~continent) %>% 
  add_xy_position(x = "continent")
stat.test
## # A tibble: 1 × 11
##   .y.       group1 group2    n1    n2 statistic        p y.position groups  xmin
##   <chr>     <chr>  <chr>  <int> <int>     <dbl>    <dbl>      <dbl> <name> <dbl>
## 1 Life_exp… Africa Ameri…    52    38       107 6.34e-13       86.6 <chr>      1
## # ℹ 1 more variable: xmax <dbl>
ggboxplot(
  data[data$continent == 'Africa' | data$continent == 'Americas', ], 
  x = "continent", y = "Life_expectancy", 
  ylab = "Life_expectancy", xlab = "continent", 
  add = "jitter"
  ) + 
  labs(subtitle = get_test_label(stat.test, detailed = TRUE)) + 
  stat_pvalue_manual(stat.test, tip.length = 0)

Можем сказать, что продолжительность жизни в странах Африки и Америки различается статистически значимо.

#Сделайте новый датафрейм, в котором оставите все численные колонки кроме Year. Сделайте корреляционный анализ этих данных. Постройте два любых типа графиков для визуализации корреляций.

library(data.table)
## 
## Присоединяю пакет: 'data.table'
## Следующие объекты скрыты от 'package:dplyr':
## 
##     between, first, last
data_new_country <- data%>%
  select(is.integer | is.numeric, Country, continent)%>%
  select(-Year)%>%
  setnames(old = c('Life_expectancy', 'Unemployment', 'Infant_Mortality', 'GDP', 'GNI', 'Clean_fuels_and_cooking_technologies', 'Per_Capita',        'Mortality_caused_by_road_traffic_injury', 'Tuberculosis_Incidence',          'DPT_Immunization', 'HepB3_Immunization', 'Measles_Immunization',               'Hospital_beds', 'Basic_sanitation_services', 'Tuberculosis_treatment',          'Urban_population', 'Rural_population', 'Non_communicable_Mortality', 'Sucide_Rate'), new = c('Life_exp', 'Unemp', 'Inf_Mort', 'GDP', 'GNI', 'Clean&cook_techn', 'Per_Cap', 'Mort_traff', 'Tub_inc', 'DPT_imm', 'HepB3_imm', 'Measles_imm', 'Hosp_beds', 'San_serv', 'Tub_treat', 'Urb_pop', 'Rur_pop', 'Ncomm_mort', 'Suicide') ) 
## Warning: Use of bare predicate functions was deprecated in tidyselect 1.1.0.
## ℹ Please use wrap predicates in `where()` instead.
##   # Was:
##   data %>% select(is.integer)
## 
##   # Now:
##   data %>% select(where(is.integer))
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## Warning: Use of bare predicate functions was deprecated in tidyselect 1.1.0.
## ℹ Please use wrap predicates in `where()` instead.
##   # Was:
##   data %>% select(is.numeric)
## 
##   # Now:
##   data %>% select(where(is.numeric))
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
data_new <- data_new_country%>%
  select(-Country, -continent)


 library(corrplot)                   
## corrplot 0.92 loaded
data_cor <- cor(data_new) 
data_cor
##                    Life_exp        Unemp    Inf_Mort         GDP         GNI
## Life_exp          1.0000000 -0.122453828 -0.83090718  0.16881430  0.17863826
## Unemp            -0.1224538  1.000000000  0.10377527 -0.11143757 -0.10948697
## Inf_Mort         -0.8309072  0.103775270  1.00000000 -0.16907590 -0.16096299
## GDP               0.1688143 -0.111437568 -0.16907590  1.00000000  0.99435959
## GNI               0.1786383 -0.109486971 -0.16096299  0.99435959  1.00000000
## Clean&cook_techn  0.7637583  0.063975082 -0.77567408  0.13751753  0.13470096
## Per_Cap           0.6034817 -0.183778304 -0.31858469  0.17389277  0.18266349
## Mort_traff       -0.6518097  0.173386776  0.65050858 -0.11544108 -0.11353833
## Tub_inc          -0.5831370  0.121480015  0.56359507 -0.08695088 -0.08693997
## DPT_imm           0.5044753 -0.147098313 -0.59029923  0.10813790  0.10537313
## HepB3_imm         0.4023880 -0.102304627 -0.52710787  0.08719372  0.08210454
## Measles_imm       0.5323483 -0.166019661 -0.58504641  0.10139187  0.09835173
## Hosp_beds         0.4849944 -0.147215966 -0.52085961  0.13217297  0.13351160
## San_serv          0.8515922  0.029209789 -0.77056506  0.14600318  0.15141620
## Tub_treat        -0.3214166 -0.051270213  0.27989549 -0.02495462 -0.02115128
## Urb_pop           0.5829745  0.085895193 -0.47460671  0.15210771  0.16783616
## Rur_pop          -0.5829745 -0.085895193  0.47460671 -0.15210771 -0.16783616
## Ncomm_mort       -0.6338148  0.131242386  0.66661171 -0.19176139 -0.18266265
## Suicide           0.1593575  0.006558983  0.05980403  0.11409037  0.13051116
##                  Clean&cook_techn     Per_Cap Mort_traff     Tub_inc
## Life_exp               0.76375825  0.60348166 -0.6518097 -0.58313705
## Unemp                  0.06397508 -0.18377830  0.1733868  0.12148001
## Inf_Mort              -0.77567408 -0.31858469  0.6505086  0.56359507
## GDP                    0.13751753  0.17389277 -0.1154411 -0.08695088
## GNI                    0.13470096  0.18266349 -0.1135383 -0.08693997
## Clean&cook_techn       1.00000000  0.38753491 -0.5955332 -0.54553537
## Per_Cap                0.38753491  1.00000000 -0.4163996 -0.30760893
## Mort_traff            -0.59553317 -0.41639961  1.0000000  0.41232959
## Tub_inc               -0.54553537 -0.30760893  0.4123296  1.00000000
## DPT_imm                0.44831815  0.21421912 -0.3400658 -0.37169763
## HepB3_imm              0.38243439  0.09303434 -0.2628041 -0.31215616
## Measles_imm            0.49991332  0.21571852 -0.3107449 -0.37364785
## Hosp_beds              0.43564106  0.24966424 -0.4909601 -0.19543396
## San_serv               0.84316638  0.45409579 -0.6320693 -0.55532307
## Tub_treat             -0.31357924 -0.32644726  0.3130249  0.23672979
## Urb_pop                0.59435666  0.42880232 -0.3718674 -0.33622933
## Rur_pop               -0.59435666 -0.42880232  0.3718674  0.33622933
## Ncomm_mort            -0.65526759 -0.35531918  0.4071462  0.48089925
## Suicide                0.00976739  0.32281997 -0.1102582  0.09858654
##                      DPT_imm   HepB3_imm Measles_imm  Hosp_beds    San_serv
## Life_exp          0.50447529  0.40238797  0.53234834  0.4849944  0.85159219
## Unemp            -0.14709831 -0.10230463 -0.16601966 -0.1472160  0.02920979
## Inf_Mort         -0.59029923 -0.52710787 -0.58504641 -0.5208596 -0.77056506
## GDP               0.10813790  0.08719372  0.10139187  0.1321730  0.14600318
## GNI               0.10537313  0.08210454  0.09835173  0.1335116  0.15141620
## Clean&cook_techn  0.44831815  0.38243439  0.49991332  0.4356411  0.84316638
## Per_Cap           0.21421912  0.09303434  0.21571852  0.2496642  0.45409579
## Mort_traff       -0.34006575 -0.26280410 -0.31074490 -0.4909601 -0.63206935
## Tub_inc          -0.37169763 -0.31215616 -0.37364785 -0.1954340 -0.55532307
## DPT_imm           1.00000000  0.94776877  0.88078924  0.3236663  0.45942955
## HepB3_imm         0.94776877  1.00000000  0.86161432  0.2722550  0.38112985
## Measles_imm       0.88078924  0.86161432  1.00000000  0.3352620  0.50904494
## Hosp_beds         0.32366629  0.27225503  0.33526203  1.0000000  0.47445249
## San_serv          0.45942955  0.38112985  0.50904494  0.4744525  1.00000000
## Tub_treat        -0.13993470 -0.09250053 -0.14092951 -0.1947393 -0.30065649
## Urb_pop           0.22057595  0.13692089  0.24604275  0.2740715  0.55069603
## Rur_pop          -0.22057595 -0.13692089 -0.24604275 -0.2740715 -0.55069603
## Ncomm_mort       -0.38159200 -0.31401541 -0.38626279 -0.3562093 -0.52254411
## Suicide           0.05567581 -0.01978305  0.02560727  0.2665261  0.15953741
##                    Tub_treat     Urb_pop     Rur_pop Ncomm_mort      Suicide
## Life_exp         -0.32141658  0.58297452 -0.58297452 -0.6338148  0.159357534
## Unemp            -0.05127021  0.08589519 -0.08589519  0.1312424  0.006558983
## Inf_Mort          0.27989549 -0.47460671  0.47460671  0.6666117  0.059804035
## GDP              -0.02495462  0.15210771 -0.15210771 -0.1917614  0.114090369
## GNI              -0.02115128  0.16783616 -0.16783616 -0.1826627  0.130511162
## Clean&cook_techn -0.31357924  0.59435666 -0.59435666 -0.6552676  0.009767390
## Per_Cap          -0.32644726  0.42880232 -0.42880232 -0.3553192  0.322819969
## Mort_traff        0.31302487 -0.37186744  0.37186744  0.4071462 -0.110258162
## Tub_inc           0.23672979 -0.33622933  0.33622933  0.4808992  0.098586543
## DPT_imm          -0.13993470  0.22057595 -0.22057595 -0.3815920  0.055675815
## HepB3_imm        -0.09250053  0.13692089 -0.13692089 -0.3140154 -0.019783046
## Measles_imm      -0.14092951  0.24604275 -0.24604275 -0.3862628  0.025607272
## Hosp_beds        -0.19473929  0.27407149 -0.27407149 -0.3562093  0.266526138
## San_serv         -0.30065649  0.55069603 -0.55069603 -0.5225441  0.159537407
## Tub_treat         1.00000000 -0.28393086  0.28393086  0.2668038 -0.072894819
## Urb_pop          -0.28393086  1.00000000 -1.00000000 -0.5302888  0.089368619
## Rur_pop           0.28393086 -1.00000000  1.00000000  0.5302888 -0.089368619
## Ncomm_mort        0.26680379 -0.53028884  0.53028884  1.0000000  0.184023972
## Suicide          -0.07289482  0.08936862 -0.08936862  0.1840240  1.000000000
corrplot_1 <- corrplot(data_cor)

corrplot_1
## $corr
##                    Life_exp        Unemp    Inf_Mort         GDP         GNI
## Life_exp          1.0000000 -0.122453828 -0.83090718  0.16881430  0.17863826
## Unemp            -0.1224538  1.000000000  0.10377527 -0.11143757 -0.10948697
## Inf_Mort         -0.8309072  0.103775270  1.00000000 -0.16907590 -0.16096299
## GDP               0.1688143 -0.111437568 -0.16907590  1.00000000  0.99435959
## GNI               0.1786383 -0.109486971 -0.16096299  0.99435959  1.00000000
## Clean&cook_techn  0.7637583  0.063975082 -0.77567408  0.13751753  0.13470096
## Per_Cap           0.6034817 -0.183778304 -0.31858469  0.17389277  0.18266349
## Mort_traff       -0.6518097  0.173386776  0.65050858 -0.11544108 -0.11353833
## Tub_inc          -0.5831370  0.121480015  0.56359507 -0.08695088 -0.08693997
## DPT_imm           0.5044753 -0.147098313 -0.59029923  0.10813790  0.10537313
## HepB3_imm         0.4023880 -0.102304627 -0.52710787  0.08719372  0.08210454
## Measles_imm       0.5323483 -0.166019661 -0.58504641  0.10139187  0.09835173
## Hosp_beds         0.4849944 -0.147215966 -0.52085961  0.13217297  0.13351160
## San_serv          0.8515922  0.029209789 -0.77056506  0.14600318  0.15141620
## Tub_treat        -0.3214166 -0.051270213  0.27989549 -0.02495462 -0.02115128
## Urb_pop           0.5829745  0.085895193 -0.47460671  0.15210771  0.16783616
## Rur_pop          -0.5829745 -0.085895193  0.47460671 -0.15210771 -0.16783616
## Ncomm_mort       -0.6338148  0.131242386  0.66661171 -0.19176139 -0.18266265
## Suicide           0.1593575  0.006558983  0.05980403  0.11409037  0.13051116
##                  Clean&cook_techn     Per_Cap Mort_traff     Tub_inc
## Life_exp               0.76375825  0.60348166 -0.6518097 -0.58313705
## Unemp                  0.06397508 -0.18377830  0.1733868  0.12148001
## Inf_Mort              -0.77567408 -0.31858469  0.6505086  0.56359507
## GDP                    0.13751753  0.17389277 -0.1154411 -0.08695088
## GNI                    0.13470096  0.18266349 -0.1135383 -0.08693997
## Clean&cook_techn       1.00000000  0.38753491 -0.5955332 -0.54553537
## Per_Cap                0.38753491  1.00000000 -0.4163996 -0.30760893
## Mort_traff            -0.59553317 -0.41639961  1.0000000  0.41232959
## Tub_inc               -0.54553537 -0.30760893  0.4123296  1.00000000
## DPT_imm                0.44831815  0.21421912 -0.3400658 -0.37169763
## HepB3_imm              0.38243439  0.09303434 -0.2628041 -0.31215616
## Measles_imm            0.49991332  0.21571852 -0.3107449 -0.37364785
## Hosp_beds              0.43564106  0.24966424 -0.4909601 -0.19543396
## San_serv               0.84316638  0.45409579 -0.6320693 -0.55532307
## Tub_treat             -0.31357924 -0.32644726  0.3130249  0.23672979
## Urb_pop                0.59435666  0.42880232 -0.3718674 -0.33622933
## Rur_pop               -0.59435666 -0.42880232  0.3718674  0.33622933
## Ncomm_mort            -0.65526759 -0.35531918  0.4071462  0.48089925
## Suicide                0.00976739  0.32281997 -0.1102582  0.09858654
##                      DPT_imm   HepB3_imm Measles_imm  Hosp_beds    San_serv
## Life_exp          0.50447529  0.40238797  0.53234834  0.4849944  0.85159219
## Unemp            -0.14709831 -0.10230463 -0.16601966 -0.1472160  0.02920979
## Inf_Mort         -0.59029923 -0.52710787 -0.58504641 -0.5208596 -0.77056506
## GDP               0.10813790  0.08719372  0.10139187  0.1321730  0.14600318
## GNI               0.10537313  0.08210454  0.09835173  0.1335116  0.15141620
## Clean&cook_techn  0.44831815  0.38243439  0.49991332  0.4356411  0.84316638
## Per_Cap           0.21421912  0.09303434  0.21571852  0.2496642  0.45409579
## Mort_traff       -0.34006575 -0.26280410 -0.31074490 -0.4909601 -0.63206935
## Tub_inc          -0.37169763 -0.31215616 -0.37364785 -0.1954340 -0.55532307
## DPT_imm           1.00000000  0.94776877  0.88078924  0.3236663  0.45942955
## HepB3_imm         0.94776877  1.00000000  0.86161432  0.2722550  0.38112985
## Measles_imm       0.88078924  0.86161432  1.00000000  0.3352620  0.50904494
## Hosp_beds         0.32366629  0.27225503  0.33526203  1.0000000  0.47445249
## San_serv          0.45942955  0.38112985  0.50904494  0.4744525  1.00000000
## Tub_treat        -0.13993470 -0.09250053 -0.14092951 -0.1947393 -0.30065649
## Urb_pop           0.22057595  0.13692089  0.24604275  0.2740715  0.55069603
## Rur_pop          -0.22057595 -0.13692089 -0.24604275 -0.2740715 -0.55069603
## Ncomm_mort       -0.38159200 -0.31401541 -0.38626279 -0.3562093 -0.52254411
## Suicide           0.05567581 -0.01978305  0.02560727  0.2665261  0.15953741
##                    Tub_treat     Urb_pop     Rur_pop Ncomm_mort      Suicide
## Life_exp         -0.32141658  0.58297452 -0.58297452 -0.6338148  0.159357534
## Unemp            -0.05127021  0.08589519 -0.08589519  0.1312424  0.006558983
## Inf_Mort          0.27989549 -0.47460671  0.47460671  0.6666117  0.059804035
## GDP              -0.02495462  0.15210771 -0.15210771 -0.1917614  0.114090369
## GNI              -0.02115128  0.16783616 -0.16783616 -0.1826627  0.130511162
## Clean&cook_techn -0.31357924  0.59435666 -0.59435666 -0.6552676  0.009767390
## Per_Cap          -0.32644726  0.42880232 -0.42880232 -0.3553192  0.322819969
## Mort_traff        0.31302487 -0.37186744  0.37186744  0.4071462 -0.110258162
## Tub_inc           0.23672979 -0.33622933  0.33622933  0.4808992  0.098586543
## DPT_imm          -0.13993470  0.22057595 -0.22057595 -0.3815920  0.055675815
## HepB3_imm        -0.09250053  0.13692089 -0.13692089 -0.3140154 -0.019783046
## Measles_imm      -0.14092951  0.24604275 -0.24604275 -0.3862628  0.025607272
## Hosp_beds        -0.19473929  0.27407149 -0.27407149 -0.3562093  0.266526138
## San_serv         -0.30065649  0.55069603 -0.55069603 -0.5225441  0.159537407
## Tub_treat         1.00000000 -0.28393086  0.28393086  0.2668038 -0.072894819
## Urb_pop          -0.28393086  1.00000000 -1.00000000 -0.5302888  0.089368619
## Rur_pop           0.28393086 -1.00000000  1.00000000  0.5302888 -0.089368619
## Ncomm_mort        0.26680379 -0.53028884  0.53028884  1.0000000  0.184023972
## Suicide          -0.07289482  0.08936862 -0.08936862  0.1840240  1.000000000
## 
## $corrPos
##                xName            yName  x  y         corr
## 1           Life_exp         Life_exp  1 19  1.000000000
## 2           Life_exp            Unemp  1 18 -0.122453828
## 3           Life_exp         Inf_Mort  1 17 -0.830907182
## 4           Life_exp              GDP  1 16  0.168814298
## 5           Life_exp              GNI  1 15  0.178638258
## 6           Life_exp Clean&cook_techn  1 14  0.763758252
## 7           Life_exp          Per_Cap  1 13  0.603481659
## 8           Life_exp       Mort_traff  1 12 -0.651809711
## 9           Life_exp          Tub_inc  1 11 -0.583137045
## 10          Life_exp          DPT_imm  1 10  0.504475291
## 11          Life_exp        HepB3_imm  1  9  0.402387971
## 12          Life_exp      Measles_imm  1  8  0.532348338
## 13          Life_exp        Hosp_beds  1  7  0.484994390
## 14          Life_exp         San_serv  1  6  0.851592186
## 15          Life_exp        Tub_treat  1  5 -0.321416576
## 16          Life_exp          Urb_pop  1  4  0.582974520
## 17          Life_exp          Rur_pop  1  3 -0.582974520
## 18          Life_exp       Ncomm_mort  1  2 -0.633814804
## 19          Life_exp          Suicide  1  1  0.159357534
## 20             Unemp         Life_exp  2 19 -0.122453828
## 21             Unemp            Unemp  2 18  1.000000000
## 22             Unemp         Inf_Mort  2 17  0.103775270
## 23             Unemp              GDP  2 16 -0.111437568
## 24             Unemp              GNI  2 15 -0.109486971
## 25             Unemp Clean&cook_techn  2 14  0.063975082
## 26             Unemp          Per_Cap  2 13 -0.183778304
## 27             Unemp       Mort_traff  2 12  0.173386776
## 28             Unemp          Tub_inc  2 11  0.121480015
## 29             Unemp          DPT_imm  2 10 -0.147098313
## 30             Unemp        HepB3_imm  2  9 -0.102304627
## 31             Unemp      Measles_imm  2  8 -0.166019661
## 32             Unemp        Hosp_beds  2  7 -0.147215966
## 33             Unemp         San_serv  2  6  0.029209789
## 34             Unemp        Tub_treat  2  5 -0.051270213
## 35             Unemp          Urb_pop  2  4  0.085895193
## 36             Unemp          Rur_pop  2  3 -0.085895193
## 37             Unemp       Ncomm_mort  2  2  0.131242386
## 38             Unemp          Suicide  2  1  0.006558983
## 39          Inf_Mort         Life_exp  3 19 -0.830907182
## 40          Inf_Mort            Unemp  3 18  0.103775270
## 41          Inf_Mort         Inf_Mort  3 17  1.000000000
## 42          Inf_Mort              GDP  3 16 -0.169075896
## 43          Inf_Mort              GNI  3 15 -0.160962987
## 44          Inf_Mort Clean&cook_techn  3 14 -0.775674080
## 45          Inf_Mort          Per_Cap  3 13 -0.318584689
## 46          Inf_Mort       Mort_traff  3 12  0.650508579
## 47          Inf_Mort          Tub_inc  3 11  0.563595074
## 48          Inf_Mort          DPT_imm  3 10 -0.590299233
## 49          Inf_Mort        HepB3_imm  3  9 -0.527107866
## 50          Inf_Mort      Measles_imm  3  8 -0.585046408
## 51          Inf_Mort        Hosp_beds  3  7 -0.520859611
## 52          Inf_Mort         San_serv  3  6 -0.770565058
## 53          Inf_Mort        Tub_treat  3  5  0.279895490
## 54          Inf_Mort          Urb_pop  3  4 -0.474606711
## 55          Inf_Mort          Rur_pop  3  3  0.474606711
## 56          Inf_Mort       Ncomm_mort  3  2  0.666611711
## 57          Inf_Mort          Suicide  3  1  0.059804035
## 58               GDP         Life_exp  4 19  0.168814298
## 59               GDP            Unemp  4 18 -0.111437568
## 60               GDP         Inf_Mort  4 17 -0.169075896
## 61               GDP              GDP  4 16  1.000000000
## 62               GDP              GNI  4 15  0.994359586
## 63               GDP Clean&cook_techn  4 14  0.137517529
## 64               GDP          Per_Cap  4 13  0.173892765
## 65               GDP       Mort_traff  4 12 -0.115441079
## 66               GDP          Tub_inc  4 11 -0.086950877
## 67               GDP          DPT_imm  4 10  0.108137896
## 68               GDP        HepB3_imm  4  9  0.087193721
## 69               GDP      Measles_imm  4  8  0.101391869
## 70               GDP        Hosp_beds  4  7  0.132172967
## 71               GDP         San_serv  4  6  0.146003181
## 72               GDP        Tub_treat  4  5 -0.024954619
## 73               GDP          Urb_pop  4  4  0.152107706
## 74               GDP          Rur_pop  4  3 -0.152107706
## 75               GDP       Ncomm_mort  4  2 -0.191761394
## 76               GDP          Suicide  4  1  0.114090369
## 77               GNI         Life_exp  5 19  0.178638258
## 78               GNI            Unemp  5 18 -0.109486971
## 79               GNI         Inf_Mort  5 17 -0.160962987
## 80               GNI              GDP  5 16  0.994359586
## 81               GNI              GNI  5 15  1.000000000
## 82               GNI Clean&cook_techn  5 14  0.134700958
## 83               GNI          Per_Cap  5 13  0.182663487
## 84               GNI       Mort_traff  5 12 -0.113538331
## 85               GNI          Tub_inc  5 11 -0.086939968
## 86               GNI          DPT_imm  5 10  0.105373126
## 87               GNI        HepB3_imm  5  9  0.082104538
## 88               GNI      Measles_imm  5  8  0.098351732
## 89               GNI        Hosp_beds  5  7  0.133511599
## 90               GNI         San_serv  5  6  0.151416202
## 91               GNI        Tub_treat  5  5 -0.021151281
## 92               GNI          Urb_pop  5  4  0.167836165
## 93               GNI          Rur_pop  5  3 -0.167836165
## 94               GNI       Ncomm_mort  5  2 -0.182662653
## 95               GNI          Suicide  5  1  0.130511162
## 96  Clean&cook_techn         Life_exp  6 19  0.763758252
## 97  Clean&cook_techn            Unemp  6 18  0.063975082
## 98  Clean&cook_techn         Inf_Mort  6 17 -0.775674080
## 99  Clean&cook_techn              GDP  6 16  0.137517529
## 100 Clean&cook_techn              GNI  6 15  0.134700958
## 101 Clean&cook_techn Clean&cook_techn  6 14  1.000000000
## 102 Clean&cook_techn          Per_Cap  6 13  0.387534908
## 103 Clean&cook_techn       Mort_traff  6 12 -0.595533174
## 104 Clean&cook_techn          Tub_inc  6 11 -0.545535369
## 105 Clean&cook_techn          DPT_imm  6 10  0.448318147
## 106 Clean&cook_techn        HepB3_imm  6  9  0.382434387
## 107 Clean&cook_techn      Measles_imm  6  8  0.499913324
## 108 Clean&cook_techn        Hosp_beds  6  7  0.435641057
## 109 Clean&cook_techn         San_serv  6  6  0.843166383
## 110 Clean&cook_techn        Tub_treat  6  5 -0.313579244
## 111 Clean&cook_techn          Urb_pop  6  4  0.594356665
## 112 Clean&cook_techn          Rur_pop  6  3 -0.594356665
## 113 Clean&cook_techn       Ncomm_mort  6  2 -0.655267589
## 114 Clean&cook_techn          Suicide  6  1  0.009767390
## 115          Per_Cap         Life_exp  7 19  0.603481659
## 116          Per_Cap            Unemp  7 18 -0.183778304
## 117          Per_Cap         Inf_Mort  7 17 -0.318584689
## 118          Per_Cap              GDP  7 16  0.173892765
## 119          Per_Cap              GNI  7 15  0.182663487
## 120          Per_Cap Clean&cook_techn  7 14  0.387534908
## 121          Per_Cap          Per_Cap  7 13  1.000000000
## 122          Per_Cap       Mort_traff  7 12 -0.416399611
## 123          Per_Cap          Tub_inc  7 11 -0.307608926
## 124          Per_Cap          DPT_imm  7 10  0.214219117
## 125          Per_Cap        HepB3_imm  7  9  0.093034337
## 126          Per_Cap      Measles_imm  7  8  0.215718525
## 127          Per_Cap        Hosp_beds  7  7  0.249664245
## 128          Per_Cap         San_serv  7  6  0.454095786
## 129          Per_Cap        Tub_treat  7  5 -0.326447262
## 130          Per_Cap          Urb_pop  7  4  0.428802322
## 131          Per_Cap          Rur_pop  7  3 -0.428802322
## 132          Per_Cap       Ncomm_mort  7  2 -0.355319184
## 133          Per_Cap          Suicide  7  1  0.322819969
## 134       Mort_traff         Life_exp  8 19 -0.651809711
## 135       Mort_traff            Unemp  8 18  0.173386776
## 136       Mort_traff         Inf_Mort  8 17  0.650508579
## 137       Mort_traff              GDP  8 16 -0.115441079
## 138       Mort_traff              GNI  8 15 -0.113538331
## 139       Mort_traff Clean&cook_techn  8 14 -0.595533174
## 140       Mort_traff          Per_Cap  8 13 -0.416399611
## 141       Mort_traff       Mort_traff  8 12  1.000000000
## 142       Mort_traff          Tub_inc  8 11  0.412329588
## 143       Mort_traff          DPT_imm  8 10 -0.340065751
## 144       Mort_traff        HepB3_imm  8  9 -0.262804103
## 145       Mort_traff      Measles_imm  8  8 -0.310744897
## 146       Mort_traff        Hosp_beds  8  7 -0.490960104
## 147       Mort_traff         San_serv  8  6 -0.632069350
## 148       Mort_traff        Tub_treat  8  5  0.313024871
## 149       Mort_traff          Urb_pop  8  4 -0.371867439
## 150       Mort_traff          Rur_pop  8  3  0.371867439
## 151       Mort_traff       Ncomm_mort  8  2  0.407146151
## 152       Mort_traff          Suicide  8  1 -0.110258162
## 153          Tub_inc         Life_exp  9 19 -0.583137045
## 154          Tub_inc            Unemp  9 18  0.121480015
## 155          Tub_inc         Inf_Mort  9 17  0.563595074
## 156          Tub_inc              GDP  9 16 -0.086950877
## 157          Tub_inc              GNI  9 15 -0.086939968
## 158          Tub_inc Clean&cook_techn  9 14 -0.545535369
## 159          Tub_inc          Per_Cap  9 13 -0.307608926
## 160          Tub_inc       Mort_traff  9 12  0.412329588
## 161          Tub_inc          Tub_inc  9 11  1.000000000
## 162          Tub_inc          DPT_imm  9 10 -0.371697630
## 163          Tub_inc        HepB3_imm  9  9 -0.312156157
## 164          Tub_inc      Measles_imm  9  8 -0.373647854
## 165          Tub_inc        Hosp_beds  9  7 -0.195433965
## 166          Tub_inc         San_serv  9  6 -0.555323068
## 167          Tub_inc        Tub_treat  9  5  0.236729787
## 168          Tub_inc          Urb_pop  9  4 -0.336229334
## 169          Tub_inc          Rur_pop  9  3  0.336229334
## 170          Tub_inc       Ncomm_mort  9  2  0.480899248
## 171          Tub_inc          Suicide  9  1  0.098586543
## 172          DPT_imm         Life_exp 10 19  0.504475291
## 173          DPT_imm            Unemp 10 18 -0.147098313
## 174          DPT_imm         Inf_Mort 10 17 -0.590299233
## 175          DPT_imm              GDP 10 16  0.108137896
## 176          DPT_imm              GNI 10 15  0.105373126
## 177          DPT_imm Clean&cook_techn 10 14  0.448318147
## 178          DPT_imm          Per_Cap 10 13  0.214219117
## 179          DPT_imm       Mort_traff 10 12 -0.340065751
## 180          DPT_imm          Tub_inc 10 11 -0.371697630
## 181          DPT_imm          DPT_imm 10 10  1.000000000
## 182          DPT_imm        HepB3_imm 10  9  0.947768771
## 183          DPT_imm      Measles_imm 10  8  0.880789245
## 184          DPT_imm        Hosp_beds 10  7  0.323666288
## 185          DPT_imm         San_serv 10  6  0.459429545
## 186          DPT_imm        Tub_treat 10  5 -0.139934705
## 187          DPT_imm          Urb_pop 10  4  0.220575945
## 188          DPT_imm          Rur_pop 10  3 -0.220575945
## 189          DPT_imm       Ncomm_mort 10  2 -0.381592003
## 190          DPT_imm          Suicide 10  1  0.055675815
## 191        HepB3_imm         Life_exp 11 19  0.402387971
## 192        HepB3_imm            Unemp 11 18 -0.102304627
## 193        HepB3_imm         Inf_Mort 11 17 -0.527107866
## 194        HepB3_imm              GDP 11 16  0.087193721
## 195        HepB3_imm              GNI 11 15  0.082104538
## 196        HepB3_imm Clean&cook_techn 11 14  0.382434387
## 197        HepB3_imm          Per_Cap 11 13  0.093034337
## 198        HepB3_imm       Mort_traff 11 12 -0.262804103
## 199        HepB3_imm          Tub_inc 11 11 -0.312156157
## 200        HepB3_imm          DPT_imm 11 10  0.947768771
## 201        HepB3_imm        HepB3_imm 11  9  1.000000000
## 202        HepB3_imm      Measles_imm 11  8  0.861614315
## 203        HepB3_imm        Hosp_beds 11  7  0.272255026
## 204        HepB3_imm         San_serv 11  6  0.381129849
## 205        HepB3_imm        Tub_treat 11  5 -0.092500529
## 206        HepB3_imm          Urb_pop 11  4  0.136920894
## 207        HepB3_imm          Rur_pop 11  3 -0.136920894
## 208        HepB3_imm       Ncomm_mort 11  2 -0.314015409
## 209        HepB3_imm          Suicide 11  1 -0.019783046
## 210      Measles_imm         Life_exp 12 19  0.532348338
## 211      Measles_imm            Unemp 12 18 -0.166019661
## 212      Measles_imm         Inf_Mort 12 17 -0.585046408
## 213      Measles_imm              GDP 12 16  0.101391869
## 214      Measles_imm              GNI 12 15  0.098351732
## 215      Measles_imm Clean&cook_techn 12 14  0.499913324
## 216      Measles_imm          Per_Cap 12 13  0.215718525
## 217      Measles_imm       Mort_traff 12 12 -0.310744897
## 218      Measles_imm          Tub_inc 12 11 -0.373647854
## 219      Measles_imm          DPT_imm 12 10  0.880789245
## 220      Measles_imm        HepB3_imm 12  9  0.861614315
## 221      Measles_imm      Measles_imm 12  8  1.000000000
## 222      Measles_imm        Hosp_beds 12  7  0.335262031
## 223      Measles_imm         San_serv 12  6  0.509044945
## 224      Measles_imm        Tub_treat 12  5 -0.140929508
## 225      Measles_imm          Urb_pop 12  4  0.246042748
## 226      Measles_imm          Rur_pop 12  3 -0.246042748
## 227      Measles_imm       Ncomm_mort 12  2 -0.386262785
## 228      Measles_imm          Suicide 12  1  0.025607272
## 229        Hosp_beds         Life_exp 13 19  0.484994390
## 230        Hosp_beds            Unemp 13 18 -0.147215966
## 231        Hosp_beds         Inf_Mort 13 17 -0.520859611
## 232        Hosp_beds              GDP 13 16  0.132172967
## 233        Hosp_beds              GNI 13 15  0.133511599
## 234        Hosp_beds Clean&cook_techn 13 14  0.435641057
## 235        Hosp_beds          Per_Cap 13 13  0.249664245
## 236        Hosp_beds       Mort_traff 13 12 -0.490960104
## 237        Hosp_beds          Tub_inc 13 11 -0.195433965
## 238        Hosp_beds          DPT_imm 13 10  0.323666288
## 239        Hosp_beds        HepB3_imm 13  9  0.272255026
## 240        Hosp_beds      Measles_imm 13  8  0.335262031
## 241        Hosp_beds        Hosp_beds 13  7  1.000000000
## 242        Hosp_beds         San_serv 13  6  0.474452489
## 243        Hosp_beds        Tub_treat 13  5 -0.194739293
## 244        Hosp_beds          Urb_pop 13  4  0.274071494
## 245        Hosp_beds          Rur_pop 13  3 -0.274071494
## 246        Hosp_beds       Ncomm_mort 13  2 -0.356209266
## 247        Hosp_beds          Suicide 13  1  0.266526138
## 248         San_serv         Life_exp 14 19  0.851592186
## 249         San_serv            Unemp 14 18  0.029209789
## 250         San_serv         Inf_Mort 14 17 -0.770565058
## 251         San_serv              GDP 14 16  0.146003181
## 252         San_serv              GNI 14 15  0.151416202
## 253         San_serv Clean&cook_techn 14 14  0.843166383
## 254         San_serv          Per_Cap 14 13  0.454095786
## 255         San_serv       Mort_traff 14 12 -0.632069350
## 256         San_serv          Tub_inc 14 11 -0.555323068
## 257         San_serv          DPT_imm 14 10  0.459429545
## 258         San_serv        HepB3_imm 14  9  0.381129849
## 259         San_serv      Measles_imm 14  8  0.509044945
## 260         San_serv        Hosp_beds 14  7  0.474452489
## 261         San_serv         San_serv 14  6  1.000000000
## 262         San_serv        Tub_treat 14  5 -0.300656495
## 263         San_serv          Urb_pop 14  4  0.550696030
## 264         San_serv          Rur_pop 14  3 -0.550696030
## 265         San_serv       Ncomm_mort 14  2 -0.522544114
## 266         San_serv          Suicide 14  1  0.159537407
## 267        Tub_treat         Life_exp 15 19 -0.321416576
## 268        Tub_treat            Unemp 15 18 -0.051270213
## 269        Tub_treat         Inf_Mort 15 17  0.279895490
## 270        Tub_treat              GDP 15 16 -0.024954619
## 271        Tub_treat              GNI 15 15 -0.021151281
## 272        Tub_treat Clean&cook_techn 15 14 -0.313579244
## 273        Tub_treat          Per_Cap 15 13 -0.326447262
## 274        Tub_treat       Mort_traff 15 12  0.313024871
## 275        Tub_treat          Tub_inc 15 11  0.236729787
## 276        Tub_treat          DPT_imm 15 10 -0.139934705
## 277        Tub_treat        HepB3_imm 15  9 -0.092500529
## 278        Tub_treat      Measles_imm 15  8 -0.140929508
## 279        Tub_treat        Hosp_beds 15  7 -0.194739293
## 280        Tub_treat         San_serv 15  6 -0.300656495
## 281        Tub_treat        Tub_treat 15  5  1.000000000
## 282        Tub_treat          Urb_pop 15  4 -0.283930857
## 283        Tub_treat          Rur_pop 15  3  0.283930857
## 284        Tub_treat       Ncomm_mort 15  2  0.266803790
## 285        Tub_treat          Suicide 15  1 -0.072894819
## 286          Urb_pop         Life_exp 16 19  0.582974520
## 287          Urb_pop            Unemp 16 18  0.085895193
## 288          Urb_pop         Inf_Mort 16 17 -0.474606711
## 289          Urb_pop              GDP 16 16  0.152107706
## 290          Urb_pop              GNI 16 15  0.167836165
## 291          Urb_pop Clean&cook_techn 16 14  0.594356665
## 292          Urb_pop          Per_Cap 16 13  0.428802322
## 293          Urb_pop       Mort_traff 16 12 -0.371867439
## 294          Urb_pop          Tub_inc 16 11 -0.336229334
## 295          Urb_pop          DPT_imm 16 10  0.220575945
## 296          Urb_pop        HepB3_imm 16  9  0.136920894
## 297          Urb_pop      Measles_imm 16  8  0.246042748
## 298          Urb_pop        Hosp_beds 16  7  0.274071494
## 299          Urb_pop         San_serv 16  6  0.550696030
## 300          Urb_pop        Tub_treat 16  5 -0.283930857
## 301          Urb_pop          Urb_pop 16  4  1.000000000
## 302          Urb_pop          Rur_pop 16  3 -1.000000000
## 303          Urb_pop       Ncomm_mort 16  2 -0.530288839
## 304          Urb_pop          Suicide 16  1  0.089368619
## 305          Rur_pop         Life_exp 17 19 -0.582974520
## 306          Rur_pop            Unemp 17 18 -0.085895193
## 307          Rur_pop         Inf_Mort 17 17  0.474606711
## 308          Rur_pop              GDP 17 16 -0.152107706
## 309          Rur_pop              GNI 17 15 -0.167836165
## 310          Rur_pop Clean&cook_techn 17 14 -0.594356665
## 311          Rur_pop          Per_Cap 17 13 -0.428802322
## 312          Rur_pop       Mort_traff 17 12  0.371867439
## 313          Rur_pop          Tub_inc 17 11  0.336229334
## 314          Rur_pop          DPT_imm 17 10 -0.220575945
## 315          Rur_pop        HepB3_imm 17  9 -0.136920894
## 316          Rur_pop      Measles_imm 17  8 -0.246042748
## 317          Rur_pop        Hosp_beds 17  7 -0.274071494
## 318          Rur_pop         San_serv 17  6 -0.550696030
## 319          Rur_pop        Tub_treat 17  5  0.283930857
## 320          Rur_pop          Urb_pop 17  4 -1.000000000
## 321          Rur_pop          Rur_pop 17  3  1.000000000
## 322          Rur_pop       Ncomm_mort 17  2  0.530288839
## 323          Rur_pop          Suicide 17  1 -0.089368619
## 324       Ncomm_mort         Life_exp 18 19 -0.633814804
## 325       Ncomm_mort            Unemp 18 18  0.131242386
## 326       Ncomm_mort         Inf_Mort 18 17  0.666611711
## 327       Ncomm_mort              GDP 18 16 -0.191761394
## 328       Ncomm_mort              GNI 18 15 -0.182662653
## 329       Ncomm_mort Clean&cook_techn 18 14 -0.655267589
## 330       Ncomm_mort          Per_Cap 18 13 -0.355319184
## 331       Ncomm_mort       Mort_traff 18 12  0.407146151
## 332       Ncomm_mort          Tub_inc 18 11  0.480899248
## 333       Ncomm_mort          DPT_imm 18 10 -0.381592003
## 334       Ncomm_mort        HepB3_imm 18  9 -0.314015409
## 335       Ncomm_mort      Measles_imm 18  8 -0.386262785
## 336       Ncomm_mort        Hosp_beds 18  7 -0.356209266
## 337       Ncomm_mort         San_serv 18  6 -0.522544114
## 338       Ncomm_mort        Tub_treat 18  5  0.266803790
## 339       Ncomm_mort          Urb_pop 18  4 -0.530288839
## 340       Ncomm_mort          Rur_pop 18  3  0.530288839
## 341       Ncomm_mort       Ncomm_mort 18  2  1.000000000
## 342       Ncomm_mort          Suicide 18  1  0.184023972
## 343          Suicide         Life_exp 19 19  0.159357534
## 344          Suicide            Unemp 19 18  0.006558983
## 345          Suicide         Inf_Mort 19 17  0.059804035
## 346          Suicide              GDP 19 16  0.114090369
## 347          Suicide              GNI 19 15  0.130511162
## 348          Suicide Clean&cook_techn 19 14  0.009767390
## 349          Suicide          Per_Cap 19 13  0.322819969
## 350          Suicide       Mort_traff 19 12 -0.110258162
## 351          Suicide          Tub_inc 19 11  0.098586543
## 352          Suicide          DPT_imm 19 10  0.055675815
## 353          Suicide        HepB3_imm 19  9 -0.019783046
## 354          Suicide      Measles_imm 19  8  0.025607272
## 355          Suicide        Hosp_beds 19  7  0.266526138
## 356          Suicide         San_serv 19  6  0.159537407
## 357          Suicide        Tub_treat 19  5 -0.072894819
## 358          Suicide          Urb_pop 19  4  0.089368619
## 359          Suicide          Rur_pop 19  3 -0.089368619
## 360          Suicide       Ncomm_mort 19  2  0.184023972
## 361          Suicide          Suicide 19  1  1.000000000
## 
## $arg
## $arg$type
## [1] "full"
corrplot_2 <- corrplot(data_cor, method = 'shade', diag = FALSE)

corrplot_2
## $corr
##                    Life_exp        Unemp    Inf_Mort         GDP         GNI
## Life_exp          1.0000000 -0.122453828 -0.83090718  0.16881430  0.17863826
## Unemp            -0.1224538  1.000000000  0.10377527 -0.11143757 -0.10948697
## Inf_Mort         -0.8309072  0.103775270  1.00000000 -0.16907590 -0.16096299
## GDP               0.1688143 -0.111437568 -0.16907590  1.00000000  0.99435959
## GNI               0.1786383 -0.109486971 -0.16096299  0.99435959  1.00000000
## Clean&cook_techn  0.7637583  0.063975082 -0.77567408  0.13751753  0.13470096
## Per_Cap           0.6034817 -0.183778304 -0.31858469  0.17389277  0.18266349
## Mort_traff       -0.6518097  0.173386776  0.65050858 -0.11544108 -0.11353833
## Tub_inc          -0.5831370  0.121480015  0.56359507 -0.08695088 -0.08693997
## DPT_imm           0.5044753 -0.147098313 -0.59029923  0.10813790  0.10537313
## HepB3_imm         0.4023880 -0.102304627 -0.52710787  0.08719372  0.08210454
## Measles_imm       0.5323483 -0.166019661 -0.58504641  0.10139187  0.09835173
## Hosp_beds         0.4849944 -0.147215966 -0.52085961  0.13217297  0.13351160
## San_serv          0.8515922  0.029209789 -0.77056506  0.14600318  0.15141620
## Tub_treat        -0.3214166 -0.051270213  0.27989549 -0.02495462 -0.02115128
## Urb_pop           0.5829745  0.085895193 -0.47460671  0.15210771  0.16783616
## Rur_pop          -0.5829745 -0.085895193  0.47460671 -0.15210771 -0.16783616
## Ncomm_mort       -0.6338148  0.131242386  0.66661171 -0.19176139 -0.18266265
## Suicide           0.1593575  0.006558983  0.05980403  0.11409037  0.13051116
##                  Clean&cook_techn     Per_Cap Mort_traff     Tub_inc
## Life_exp               0.76375825  0.60348166 -0.6518097 -0.58313705
## Unemp                  0.06397508 -0.18377830  0.1733868  0.12148001
## Inf_Mort              -0.77567408 -0.31858469  0.6505086  0.56359507
## GDP                    0.13751753  0.17389277 -0.1154411 -0.08695088
## GNI                    0.13470096  0.18266349 -0.1135383 -0.08693997
## Clean&cook_techn       1.00000000  0.38753491 -0.5955332 -0.54553537
## Per_Cap                0.38753491  1.00000000 -0.4163996 -0.30760893
## Mort_traff            -0.59553317 -0.41639961  1.0000000  0.41232959
## Tub_inc               -0.54553537 -0.30760893  0.4123296  1.00000000
## DPT_imm                0.44831815  0.21421912 -0.3400658 -0.37169763
## HepB3_imm              0.38243439  0.09303434 -0.2628041 -0.31215616
## Measles_imm            0.49991332  0.21571852 -0.3107449 -0.37364785
## Hosp_beds              0.43564106  0.24966424 -0.4909601 -0.19543396
## San_serv               0.84316638  0.45409579 -0.6320693 -0.55532307
## Tub_treat             -0.31357924 -0.32644726  0.3130249  0.23672979
## Urb_pop                0.59435666  0.42880232 -0.3718674 -0.33622933
## Rur_pop               -0.59435666 -0.42880232  0.3718674  0.33622933
## Ncomm_mort            -0.65526759 -0.35531918  0.4071462  0.48089925
## Suicide                0.00976739  0.32281997 -0.1102582  0.09858654
##                      DPT_imm   HepB3_imm Measles_imm  Hosp_beds    San_serv
## Life_exp          0.50447529  0.40238797  0.53234834  0.4849944  0.85159219
## Unemp            -0.14709831 -0.10230463 -0.16601966 -0.1472160  0.02920979
## Inf_Mort         -0.59029923 -0.52710787 -0.58504641 -0.5208596 -0.77056506
## GDP               0.10813790  0.08719372  0.10139187  0.1321730  0.14600318
## GNI               0.10537313  0.08210454  0.09835173  0.1335116  0.15141620
## Clean&cook_techn  0.44831815  0.38243439  0.49991332  0.4356411  0.84316638
## Per_Cap           0.21421912  0.09303434  0.21571852  0.2496642  0.45409579
## Mort_traff       -0.34006575 -0.26280410 -0.31074490 -0.4909601 -0.63206935
## Tub_inc          -0.37169763 -0.31215616 -0.37364785 -0.1954340 -0.55532307
## DPT_imm           1.00000000  0.94776877  0.88078924  0.3236663  0.45942955
## HepB3_imm         0.94776877  1.00000000  0.86161432  0.2722550  0.38112985
## Measles_imm       0.88078924  0.86161432  1.00000000  0.3352620  0.50904494
## Hosp_beds         0.32366629  0.27225503  0.33526203  1.0000000  0.47445249
## San_serv          0.45942955  0.38112985  0.50904494  0.4744525  1.00000000
## Tub_treat        -0.13993470 -0.09250053 -0.14092951 -0.1947393 -0.30065649
## Urb_pop           0.22057595  0.13692089  0.24604275  0.2740715  0.55069603
## Rur_pop          -0.22057595 -0.13692089 -0.24604275 -0.2740715 -0.55069603
## Ncomm_mort       -0.38159200 -0.31401541 -0.38626279 -0.3562093 -0.52254411
## Suicide           0.05567581 -0.01978305  0.02560727  0.2665261  0.15953741
##                    Tub_treat     Urb_pop     Rur_pop Ncomm_mort      Suicide
## Life_exp         -0.32141658  0.58297452 -0.58297452 -0.6338148  0.159357534
## Unemp            -0.05127021  0.08589519 -0.08589519  0.1312424  0.006558983
## Inf_Mort          0.27989549 -0.47460671  0.47460671  0.6666117  0.059804035
## GDP              -0.02495462  0.15210771 -0.15210771 -0.1917614  0.114090369
## GNI              -0.02115128  0.16783616 -0.16783616 -0.1826627  0.130511162
## Clean&cook_techn -0.31357924  0.59435666 -0.59435666 -0.6552676  0.009767390
## Per_Cap          -0.32644726  0.42880232 -0.42880232 -0.3553192  0.322819969
## Mort_traff        0.31302487 -0.37186744  0.37186744  0.4071462 -0.110258162
## Tub_inc           0.23672979 -0.33622933  0.33622933  0.4808992  0.098586543
## DPT_imm          -0.13993470  0.22057595 -0.22057595 -0.3815920  0.055675815
## HepB3_imm        -0.09250053  0.13692089 -0.13692089 -0.3140154 -0.019783046
## Measles_imm      -0.14092951  0.24604275 -0.24604275 -0.3862628  0.025607272
## Hosp_beds        -0.19473929  0.27407149 -0.27407149 -0.3562093  0.266526138
## San_serv         -0.30065649  0.55069603 -0.55069603 -0.5225441  0.159537407
## Tub_treat         1.00000000 -0.28393086  0.28393086  0.2668038 -0.072894819
## Urb_pop          -0.28393086  1.00000000 -1.00000000 -0.5302888  0.089368619
## Rur_pop           0.28393086 -1.00000000  1.00000000  0.5302888 -0.089368619
## Ncomm_mort        0.26680379 -0.53028884  0.53028884  1.0000000  0.184023972
## Suicide          -0.07289482  0.08936862 -0.08936862  0.1840240  1.000000000
## 
## $corrPos
##                xName            yName  x  y         corr
## 1           Life_exp            Unemp  1 18 -0.122453828
## 2           Life_exp         Inf_Mort  1 17 -0.830907182
## 3           Life_exp              GDP  1 16  0.168814298
## 4           Life_exp              GNI  1 15  0.178638258
## 5           Life_exp Clean&cook_techn  1 14  0.763758252
## 6           Life_exp          Per_Cap  1 13  0.603481659
## 7           Life_exp       Mort_traff  1 12 -0.651809711
## 8           Life_exp          Tub_inc  1 11 -0.583137045
## 9           Life_exp          DPT_imm  1 10  0.504475291
## 10          Life_exp        HepB3_imm  1  9  0.402387971
## 11          Life_exp      Measles_imm  1  8  0.532348338
## 12          Life_exp        Hosp_beds  1  7  0.484994390
## 13          Life_exp         San_serv  1  6  0.851592186
## 14          Life_exp        Tub_treat  1  5 -0.321416576
## 15          Life_exp          Urb_pop  1  4  0.582974520
## 16          Life_exp          Rur_pop  1  3 -0.582974520
## 17          Life_exp       Ncomm_mort  1  2 -0.633814804
## 18          Life_exp          Suicide  1  1  0.159357534
## 19             Unemp         Life_exp  2 19 -0.122453828
## 20             Unemp         Inf_Mort  2 17  0.103775270
## 21             Unemp              GDP  2 16 -0.111437568
## 22             Unemp              GNI  2 15 -0.109486971
## 23             Unemp Clean&cook_techn  2 14  0.063975082
## 24             Unemp          Per_Cap  2 13 -0.183778304
## 25             Unemp       Mort_traff  2 12  0.173386776
## 26             Unemp          Tub_inc  2 11  0.121480015
## 27             Unemp          DPT_imm  2 10 -0.147098313
## 28             Unemp        HepB3_imm  2  9 -0.102304627
## 29             Unemp      Measles_imm  2  8 -0.166019661
## 30             Unemp        Hosp_beds  2  7 -0.147215966
## 31             Unemp         San_serv  2  6  0.029209789
## 32             Unemp        Tub_treat  2  5 -0.051270213
## 33             Unemp          Urb_pop  2  4  0.085895193
## 34             Unemp          Rur_pop  2  3 -0.085895193
## 35             Unemp       Ncomm_mort  2  2  0.131242386
## 36             Unemp          Suicide  2  1  0.006558983
## 37          Inf_Mort         Life_exp  3 19 -0.830907182
## 38          Inf_Mort            Unemp  3 18  0.103775270
## 39          Inf_Mort              GDP  3 16 -0.169075896
## 40          Inf_Mort              GNI  3 15 -0.160962987
## 41          Inf_Mort Clean&cook_techn  3 14 -0.775674080
## 42          Inf_Mort          Per_Cap  3 13 -0.318584689
## 43          Inf_Mort       Mort_traff  3 12  0.650508579
## 44          Inf_Mort          Tub_inc  3 11  0.563595074
## 45          Inf_Mort          DPT_imm  3 10 -0.590299233
## 46          Inf_Mort        HepB3_imm  3  9 -0.527107866
## 47          Inf_Mort      Measles_imm  3  8 -0.585046408
## 48          Inf_Mort        Hosp_beds  3  7 -0.520859611
## 49          Inf_Mort         San_serv  3  6 -0.770565058
## 50          Inf_Mort        Tub_treat  3  5  0.279895490
## 51          Inf_Mort          Urb_pop  3  4 -0.474606711
## 52          Inf_Mort          Rur_pop  3  3  0.474606711
## 53          Inf_Mort       Ncomm_mort  3  2  0.666611711
## 54          Inf_Mort          Suicide  3  1  0.059804035
## 55               GDP         Life_exp  4 19  0.168814298
## 56               GDP            Unemp  4 18 -0.111437568
## 57               GDP         Inf_Mort  4 17 -0.169075896
## 58               GDP              GNI  4 15  0.994359586
## 59               GDP Clean&cook_techn  4 14  0.137517529
## 60               GDP          Per_Cap  4 13  0.173892765
## 61               GDP       Mort_traff  4 12 -0.115441079
## 62               GDP          Tub_inc  4 11 -0.086950877
## 63               GDP          DPT_imm  4 10  0.108137896
## 64               GDP        HepB3_imm  4  9  0.087193721
## 65               GDP      Measles_imm  4  8  0.101391869
## 66               GDP        Hosp_beds  4  7  0.132172967
## 67               GDP         San_serv  4  6  0.146003181
## 68               GDP        Tub_treat  4  5 -0.024954619
## 69               GDP          Urb_pop  4  4  0.152107706
## 70               GDP          Rur_pop  4  3 -0.152107706
## 71               GDP       Ncomm_mort  4  2 -0.191761394
## 72               GDP          Suicide  4  1  0.114090369
## 73               GNI         Life_exp  5 19  0.178638258
## 74               GNI            Unemp  5 18 -0.109486971
## 75               GNI         Inf_Mort  5 17 -0.160962987
## 76               GNI              GDP  5 16  0.994359586
## 77               GNI Clean&cook_techn  5 14  0.134700958
## 78               GNI          Per_Cap  5 13  0.182663487
## 79               GNI       Mort_traff  5 12 -0.113538331
## 80               GNI          Tub_inc  5 11 -0.086939968
## 81               GNI          DPT_imm  5 10  0.105373126
## 82               GNI        HepB3_imm  5  9  0.082104538
## 83               GNI      Measles_imm  5  8  0.098351732
## 84               GNI        Hosp_beds  5  7  0.133511599
## 85               GNI         San_serv  5  6  0.151416202
## 86               GNI        Tub_treat  5  5 -0.021151281
## 87               GNI          Urb_pop  5  4  0.167836165
## 88               GNI          Rur_pop  5  3 -0.167836165
## 89               GNI       Ncomm_mort  5  2 -0.182662653
## 90               GNI          Suicide  5  1  0.130511162
## 91  Clean&cook_techn         Life_exp  6 19  0.763758252
## 92  Clean&cook_techn            Unemp  6 18  0.063975082
## 93  Clean&cook_techn         Inf_Mort  6 17 -0.775674080
## 94  Clean&cook_techn              GDP  6 16  0.137517529
## 95  Clean&cook_techn              GNI  6 15  0.134700958
## 96  Clean&cook_techn          Per_Cap  6 13  0.387534908
## 97  Clean&cook_techn       Mort_traff  6 12 -0.595533174
## 98  Clean&cook_techn          Tub_inc  6 11 -0.545535369
## 99  Clean&cook_techn          DPT_imm  6 10  0.448318147
## 100 Clean&cook_techn        HepB3_imm  6  9  0.382434387
## 101 Clean&cook_techn      Measles_imm  6  8  0.499913324
## 102 Clean&cook_techn        Hosp_beds  6  7  0.435641057
## 103 Clean&cook_techn         San_serv  6  6  0.843166383
## 104 Clean&cook_techn        Tub_treat  6  5 -0.313579244
## 105 Clean&cook_techn          Urb_pop  6  4  0.594356665
## 106 Clean&cook_techn          Rur_pop  6  3 -0.594356665
## 107 Clean&cook_techn       Ncomm_mort  6  2 -0.655267589
## 108 Clean&cook_techn          Suicide  6  1  0.009767390
## 109          Per_Cap         Life_exp  7 19  0.603481659
## 110          Per_Cap            Unemp  7 18 -0.183778304
## 111          Per_Cap         Inf_Mort  7 17 -0.318584689
## 112          Per_Cap              GDP  7 16  0.173892765
## 113          Per_Cap              GNI  7 15  0.182663487
## 114          Per_Cap Clean&cook_techn  7 14  0.387534908
## 115          Per_Cap       Mort_traff  7 12 -0.416399611
## 116          Per_Cap          Tub_inc  7 11 -0.307608926
## 117          Per_Cap          DPT_imm  7 10  0.214219117
## 118          Per_Cap        HepB3_imm  7  9  0.093034337
## 119          Per_Cap      Measles_imm  7  8  0.215718525
## 120          Per_Cap        Hosp_beds  7  7  0.249664245
## 121          Per_Cap         San_serv  7  6  0.454095786
## 122          Per_Cap        Tub_treat  7  5 -0.326447262
## 123          Per_Cap          Urb_pop  7  4  0.428802322
## 124          Per_Cap          Rur_pop  7  3 -0.428802322
## 125          Per_Cap       Ncomm_mort  7  2 -0.355319184
## 126          Per_Cap          Suicide  7  1  0.322819969
## 127       Mort_traff         Life_exp  8 19 -0.651809711
## 128       Mort_traff            Unemp  8 18  0.173386776
## 129       Mort_traff         Inf_Mort  8 17  0.650508579
## 130       Mort_traff              GDP  8 16 -0.115441079
## 131       Mort_traff              GNI  8 15 -0.113538331
## 132       Mort_traff Clean&cook_techn  8 14 -0.595533174
## 133       Mort_traff          Per_Cap  8 13 -0.416399611
## 134       Mort_traff          Tub_inc  8 11  0.412329588
## 135       Mort_traff          DPT_imm  8 10 -0.340065751
## 136       Mort_traff        HepB3_imm  8  9 -0.262804103
## 137       Mort_traff      Measles_imm  8  8 -0.310744897
## 138       Mort_traff        Hosp_beds  8  7 -0.490960104
## 139       Mort_traff         San_serv  8  6 -0.632069350
## 140       Mort_traff        Tub_treat  8  5  0.313024871
## 141       Mort_traff          Urb_pop  8  4 -0.371867439
## 142       Mort_traff          Rur_pop  8  3  0.371867439
## 143       Mort_traff       Ncomm_mort  8  2  0.407146151
## 144       Mort_traff          Suicide  8  1 -0.110258162
## 145          Tub_inc         Life_exp  9 19 -0.583137045
## 146          Tub_inc            Unemp  9 18  0.121480015
## 147          Tub_inc         Inf_Mort  9 17  0.563595074
## 148          Tub_inc              GDP  9 16 -0.086950877
## 149          Tub_inc              GNI  9 15 -0.086939968
## 150          Tub_inc Clean&cook_techn  9 14 -0.545535369
## 151          Tub_inc          Per_Cap  9 13 -0.307608926
## 152          Tub_inc       Mort_traff  9 12  0.412329588
## 153          Tub_inc          DPT_imm  9 10 -0.371697630
## 154          Tub_inc        HepB3_imm  9  9 -0.312156157
## 155          Tub_inc      Measles_imm  9  8 -0.373647854
## 156          Tub_inc        Hosp_beds  9  7 -0.195433965
## 157          Tub_inc         San_serv  9  6 -0.555323068
## 158          Tub_inc        Tub_treat  9  5  0.236729787
## 159          Tub_inc          Urb_pop  9  4 -0.336229334
## 160          Tub_inc          Rur_pop  9  3  0.336229334
## 161          Tub_inc       Ncomm_mort  9  2  0.480899248
## 162          Tub_inc          Suicide  9  1  0.098586543
## 163          DPT_imm         Life_exp 10 19  0.504475291
## 164          DPT_imm            Unemp 10 18 -0.147098313
## 165          DPT_imm         Inf_Mort 10 17 -0.590299233
## 166          DPT_imm              GDP 10 16  0.108137896
## 167          DPT_imm              GNI 10 15  0.105373126
## 168          DPT_imm Clean&cook_techn 10 14  0.448318147
## 169          DPT_imm          Per_Cap 10 13  0.214219117
## 170          DPT_imm       Mort_traff 10 12 -0.340065751
## 171          DPT_imm          Tub_inc 10 11 -0.371697630
## 172          DPT_imm        HepB3_imm 10  9  0.947768771
## 173          DPT_imm      Measles_imm 10  8  0.880789245
## 174          DPT_imm        Hosp_beds 10  7  0.323666288
## 175          DPT_imm         San_serv 10  6  0.459429545
## 176          DPT_imm        Tub_treat 10  5 -0.139934705
## 177          DPT_imm          Urb_pop 10  4  0.220575945
## 178          DPT_imm          Rur_pop 10  3 -0.220575945
## 179          DPT_imm       Ncomm_mort 10  2 -0.381592003
## 180          DPT_imm          Suicide 10  1  0.055675815
## 181        HepB3_imm         Life_exp 11 19  0.402387971
## 182        HepB3_imm            Unemp 11 18 -0.102304627
## 183        HepB3_imm         Inf_Mort 11 17 -0.527107866
## 184        HepB3_imm              GDP 11 16  0.087193721
## 185        HepB3_imm              GNI 11 15  0.082104538
## 186        HepB3_imm Clean&cook_techn 11 14  0.382434387
## 187        HepB3_imm          Per_Cap 11 13  0.093034337
## 188        HepB3_imm       Mort_traff 11 12 -0.262804103
## 189        HepB3_imm          Tub_inc 11 11 -0.312156157
## 190        HepB3_imm          DPT_imm 11 10  0.947768771
## 191        HepB3_imm      Measles_imm 11  8  0.861614315
## 192        HepB3_imm        Hosp_beds 11  7  0.272255026
## 193        HepB3_imm         San_serv 11  6  0.381129849
## 194        HepB3_imm        Tub_treat 11  5 -0.092500529
## 195        HepB3_imm          Urb_pop 11  4  0.136920894
## 196        HepB3_imm          Rur_pop 11  3 -0.136920894
## 197        HepB3_imm       Ncomm_mort 11  2 -0.314015409
## 198        HepB3_imm          Suicide 11  1 -0.019783046
## 199      Measles_imm         Life_exp 12 19  0.532348338
## 200      Measles_imm            Unemp 12 18 -0.166019661
## 201      Measles_imm         Inf_Mort 12 17 -0.585046408
## 202      Measles_imm              GDP 12 16  0.101391869
## 203      Measles_imm              GNI 12 15  0.098351732
## 204      Measles_imm Clean&cook_techn 12 14  0.499913324
## 205      Measles_imm          Per_Cap 12 13  0.215718525
## 206      Measles_imm       Mort_traff 12 12 -0.310744897
## 207      Measles_imm          Tub_inc 12 11 -0.373647854
## 208      Measles_imm          DPT_imm 12 10  0.880789245
## 209      Measles_imm        HepB3_imm 12  9  0.861614315
## 210      Measles_imm        Hosp_beds 12  7  0.335262031
## 211      Measles_imm         San_serv 12  6  0.509044945
## 212      Measles_imm        Tub_treat 12  5 -0.140929508
## 213      Measles_imm          Urb_pop 12  4  0.246042748
## 214      Measles_imm          Rur_pop 12  3 -0.246042748
## 215      Measles_imm       Ncomm_mort 12  2 -0.386262785
## 216      Measles_imm          Suicide 12  1  0.025607272
## 217        Hosp_beds         Life_exp 13 19  0.484994390
## 218        Hosp_beds            Unemp 13 18 -0.147215966
## 219        Hosp_beds         Inf_Mort 13 17 -0.520859611
## 220        Hosp_beds              GDP 13 16  0.132172967
## 221        Hosp_beds              GNI 13 15  0.133511599
## 222        Hosp_beds Clean&cook_techn 13 14  0.435641057
## 223        Hosp_beds          Per_Cap 13 13  0.249664245
## 224        Hosp_beds       Mort_traff 13 12 -0.490960104
## 225        Hosp_beds          Tub_inc 13 11 -0.195433965
## 226        Hosp_beds          DPT_imm 13 10  0.323666288
## 227        Hosp_beds        HepB3_imm 13  9  0.272255026
## 228        Hosp_beds      Measles_imm 13  8  0.335262031
## 229        Hosp_beds         San_serv 13  6  0.474452489
## 230        Hosp_beds        Tub_treat 13  5 -0.194739293
## 231        Hosp_beds          Urb_pop 13  4  0.274071494
## 232        Hosp_beds          Rur_pop 13  3 -0.274071494
## 233        Hosp_beds       Ncomm_mort 13  2 -0.356209266
## 234        Hosp_beds          Suicide 13  1  0.266526138
## 235         San_serv         Life_exp 14 19  0.851592186
## 236         San_serv            Unemp 14 18  0.029209789
## 237         San_serv         Inf_Mort 14 17 -0.770565058
## 238         San_serv              GDP 14 16  0.146003181
## 239         San_serv              GNI 14 15  0.151416202
## 240         San_serv Clean&cook_techn 14 14  0.843166383
## 241         San_serv          Per_Cap 14 13  0.454095786
## 242         San_serv       Mort_traff 14 12 -0.632069350
## 243         San_serv          Tub_inc 14 11 -0.555323068
## 244         San_serv          DPT_imm 14 10  0.459429545
## 245         San_serv        HepB3_imm 14  9  0.381129849
## 246         San_serv      Measles_imm 14  8  0.509044945
## 247         San_serv        Hosp_beds 14  7  0.474452489
## 248         San_serv        Tub_treat 14  5 -0.300656495
## 249         San_serv          Urb_pop 14  4  0.550696030
## 250         San_serv          Rur_pop 14  3 -0.550696030
## 251         San_serv       Ncomm_mort 14  2 -0.522544114
## 252         San_serv          Suicide 14  1  0.159537407
## 253        Tub_treat         Life_exp 15 19 -0.321416576
## 254        Tub_treat            Unemp 15 18 -0.051270213
## 255        Tub_treat         Inf_Mort 15 17  0.279895490
## 256        Tub_treat              GDP 15 16 -0.024954619
## 257        Tub_treat              GNI 15 15 -0.021151281
## 258        Tub_treat Clean&cook_techn 15 14 -0.313579244
## 259        Tub_treat          Per_Cap 15 13 -0.326447262
## 260        Tub_treat       Mort_traff 15 12  0.313024871
## 261        Tub_treat          Tub_inc 15 11  0.236729787
## 262        Tub_treat          DPT_imm 15 10 -0.139934705
## 263        Tub_treat        HepB3_imm 15  9 -0.092500529
## 264        Tub_treat      Measles_imm 15  8 -0.140929508
## 265        Tub_treat        Hosp_beds 15  7 -0.194739293
## 266        Tub_treat         San_serv 15  6 -0.300656495
## 267        Tub_treat          Urb_pop 15  4 -0.283930857
## 268        Tub_treat          Rur_pop 15  3  0.283930857
## 269        Tub_treat       Ncomm_mort 15  2  0.266803790
## 270        Tub_treat          Suicide 15  1 -0.072894819
## 271          Urb_pop         Life_exp 16 19  0.582974520
## 272          Urb_pop            Unemp 16 18  0.085895193
## 273          Urb_pop         Inf_Mort 16 17 -0.474606711
## 274          Urb_pop              GDP 16 16  0.152107706
## 275          Urb_pop              GNI 16 15  0.167836165
## 276          Urb_pop Clean&cook_techn 16 14  0.594356665
## 277          Urb_pop          Per_Cap 16 13  0.428802322
## 278          Urb_pop       Mort_traff 16 12 -0.371867439
## 279          Urb_pop          Tub_inc 16 11 -0.336229334
## 280          Urb_pop          DPT_imm 16 10  0.220575945
## 281          Urb_pop        HepB3_imm 16  9  0.136920894
## 282          Urb_pop      Measles_imm 16  8  0.246042748
## 283          Urb_pop        Hosp_beds 16  7  0.274071494
## 284          Urb_pop         San_serv 16  6  0.550696030
## 285          Urb_pop        Tub_treat 16  5 -0.283930857
## 286          Urb_pop          Rur_pop 16  3 -1.000000000
## 287          Urb_pop       Ncomm_mort 16  2 -0.530288839
## 288          Urb_pop          Suicide 16  1  0.089368619
## 289          Rur_pop         Life_exp 17 19 -0.582974520
## 290          Rur_pop            Unemp 17 18 -0.085895193
## 291          Rur_pop         Inf_Mort 17 17  0.474606711
## 292          Rur_pop              GDP 17 16 -0.152107706
## 293          Rur_pop              GNI 17 15 -0.167836165
## 294          Rur_pop Clean&cook_techn 17 14 -0.594356665
## 295          Rur_pop          Per_Cap 17 13 -0.428802322
## 296          Rur_pop       Mort_traff 17 12  0.371867439
## 297          Rur_pop          Tub_inc 17 11  0.336229334
## 298          Rur_pop          DPT_imm 17 10 -0.220575945
## 299          Rur_pop        HepB3_imm 17  9 -0.136920894
## 300          Rur_pop      Measles_imm 17  8 -0.246042748
## 301          Rur_pop        Hosp_beds 17  7 -0.274071494
## 302          Rur_pop         San_serv 17  6 -0.550696030
## 303          Rur_pop        Tub_treat 17  5  0.283930857
## 304          Rur_pop          Urb_pop 17  4 -1.000000000
## 305          Rur_pop       Ncomm_mort 17  2  0.530288839
## 306          Rur_pop          Suicide 17  1 -0.089368619
## 307       Ncomm_mort         Life_exp 18 19 -0.633814804
## 308       Ncomm_mort            Unemp 18 18  0.131242386
## 309       Ncomm_mort         Inf_Mort 18 17  0.666611711
## 310       Ncomm_mort              GDP 18 16 -0.191761394
## 311       Ncomm_mort              GNI 18 15 -0.182662653
## 312       Ncomm_mort Clean&cook_techn 18 14 -0.655267589
## 313       Ncomm_mort          Per_Cap 18 13 -0.355319184
## 314       Ncomm_mort       Mort_traff 18 12  0.407146151
## 315       Ncomm_mort          Tub_inc 18 11  0.480899248
## 316       Ncomm_mort          DPT_imm 18 10 -0.381592003
## 317       Ncomm_mort        HepB3_imm 18  9 -0.314015409
## 318       Ncomm_mort      Measles_imm 18  8 -0.386262785
## 319       Ncomm_mort        Hosp_beds 18  7 -0.356209266
## 320       Ncomm_mort         San_serv 18  6 -0.522544114
## 321       Ncomm_mort        Tub_treat 18  5  0.266803790
## 322       Ncomm_mort          Urb_pop 18  4 -0.530288839
## 323       Ncomm_mort          Rur_pop 18  3  0.530288839
## 324       Ncomm_mort          Suicide 18  1  0.184023972
## 325          Suicide         Life_exp 19 19  0.159357534
## 326          Suicide            Unemp 19 18  0.006558983
## 327          Suicide         Inf_Mort 19 17  0.059804035
## 328          Suicide              GDP 19 16  0.114090369
## 329          Suicide              GNI 19 15  0.130511162
## 330          Suicide Clean&cook_techn 19 14  0.009767390
## 331          Suicide          Per_Cap 19 13  0.322819969
## 332          Suicide       Mort_traff 19 12 -0.110258162
## 333          Suicide          Tub_inc 19 11  0.098586543
## 334          Suicide          DPT_imm 19 10  0.055675815
## 335          Suicide        HepB3_imm 19  9 -0.019783046
## 336          Suicide      Measles_imm 19  8  0.025607272
## 337          Suicide        Hosp_beds 19  7  0.266526138
## 338          Suicide         San_serv 19  6  0.159537407
## 339          Suicide        Tub_treat 19  5 -0.072894819
## 340          Suicide          Urb_pop 19  4  0.089368619
## 341          Suicide          Rur_pop 19  3 -0.089368619
## 342          Suicide       Ncomm_mort 19  2  0.184023972
## 
## $arg
## $arg$type
## [1] "full"

#Постройте иерархическую кластеризацию на этом датафрейме.

library(factoextra)
## Warning: пакет 'factoextra' был собран под R версии 4.3.2
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
data_new_dist <- dist(data_new, 
                        method = "euclidean"
                        )
as.matrix(data_new_dist)[1:6,1:6]
##              1            2            3            4            5            6
## 1            0   5173184728 213172429004  94504126087  24487894415 599815446359
## 2   5173184728            0 218328067643  99637823809  19325270693 604967915615
## 3 213172429004 218328067643            0 118829433029 237652545186 386650065250
## 4  94504126087  99637823809 118829433029            0 118944107933 505388335722
## 5  24487894415  19325270693 237652545186 118944107933            0 624290420516
## 6 599815446359 604967915615 386650065250 505388335722 624290420516            0
data_new_hc <- hclust(d = data_new_dist, method = "ward.D2")
fviz_dend(data_new_hc, 
          cex = 0.01)                   
## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
##   Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

#Иерархическая кластеризацию+heat map

library(pheatmap)
## Warning: пакет 'pheatmap' был собран под R версии 4.3.2
pheatmap(data_new, 
         show_rownames = FALSE, 
         clustering_distance_rows = data_new_dist,
         clustering_method = "ward.D2", 
         cutree_rows = 7,
         cutree_cols = length(data_new),
         angle_col = 45, 
         main = "Dendrograms for clustering rows and columns with heatmap")

Переменные GDP и GNI объединены в один кластер, все остальные переменные - в другой. Между GDP и GNI есть сильная корреляция, связи между другими переменными на этом рисунке не видны, хотя по данным корреляционной матрицы они есть.

#PCA анализ на data_new

library(FactoMineR)
## Warning: пакет 'FactoMineR' был собран под R версии 4.3.2
data_new.pca <- prcomp(data_new, 
                        scale = T)

summary(data_new.pca)
## Importance of components:
##                           PC1    PC2    PC3     PC4     PC5     PC6    PC7
## Standard deviation     2.7526 1.4841 1.3952 1.17177 1.08375 0.96347 0.9288
## Proportion of Variance 0.3988 0.1159 0.1025 0.07227 0.06182 0.04886 0.0454
## Cumulative Proportion  0.3988 0.5147 0.6172 0.68945 0.75126 0.80012 0.8455
##                            PC8     PC9    PC10    PC11    PC12    PC13    PC14
## Standard deviation     0.85740 0.69263 0.68937 0.59106 0.54986 0.47085 0.36596
## Proportion of Variance 0.03869 0.02525 0.02501 0.01839 0.01591 0.01167 0.00705
## Cumulative Proportion  0.88421 0.90946 0.93447 0.95286 0.96877 0.98044 0.98749
##                           PC15    PC16    PC17    PC18      PC19
## Standard deviation     0.34546 0.26941 0.20224 0.06968 1.017e-15
## Proportion of Variance 0.00628 0.00382 0.00215 0.00026 0.000e+00
## Cumulative Proportion  0.99377 0.99759 0.99974 1.00000 1.000e+00
fviz_eig(data_new.pca, addlabels = T, ylim = c(0, 40))

fviz_pca_var(data_new.pca, col.var = "contrib")

fviz_pca_var(data_new.pca, 
             select.var = list(contrib = 5), 
             col.var = "contrib")

fviz_contrib(data_new.pca, choice = "var", axes = 1, top = 24) # 1

fviz_contrib(data_new.pca, choice = "var", axes = 2, top = 24) # 2

fviz_contrib(data_new.pca, choice = "var", axes = 3, top = 24)

fviz_contrib(data_new.pca, choice = "var", axes = 4, top = 24)

По данным анализа основная часть вариабельности данных (62%) объясняются первыми тремя главными компонентами, далее прирост вариабельности по последующим компонентам очень небольшой (менее 10%). В первую компоненту вносят вклад много переменных (продолжительность жизни, младенческая смертность, Можно выделить группы переменных: переменные иммунизации, санитарные услуги, некторые виды смертности, иммунизации. Здесь сложно отделить одни переменные от других. Во второй компоненте преобладают различные виды прививок и вид населения (городское/сельское), которые и объясняют всю вариабельность. В третьей компоненте все объясняют экономические переменные, в четвертой - суицид. Переменные можно разделить на группы по графику РСА. Связаны между собой и вносят большой вклад в объяснение вариабельности переменные иммунизации, другая группа - переменные смертности от различных причин, заболеваемость туберкулезом, лечение туберкулеза, которые смотрят в другую сторону от переменных продолжительности жизни, мощности стационаров, санитарного обеспечения, вида топлива и технологий приготовления пищи (то есть могут иметь с ними обратную связь). Так же связаны между собой экономические перменные (GDP, GNI, Per capitas), обратно коррелируют переменные населения (городское/сельское).

#biplot

#install.packages('devtools')
library(devtools)
## Warning: пакет 'devtools' был собран под R версии 4.3.2
## Загрузка требуемого пакета: usethis
## Warning: пакет 'usethis' был собран под R версии 4.3.2
#devtools::install_github("vqv/ggbiplot")

library(ggbiplot)
## Загрузка требуемого пакета: plyr
## ------------------------------------------------------------------------------
## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)
## ------------------------------------------------------------------------------
## 
## Присоединяю пакет: 'plyr'
## Следующий объект скрыт от 'package:ggpubr':
## 
##     mutate
## Следующие объекты скрыты от 'package:rstatix':
## 
##     desc, mutate
## Следующие объекты скрыты от 'package:plotly':
## 
##     arrange, mutate, rename, summarise
## Следующие объекты скрыты от 'package:dplyr':
## 
##     arrange, count, desc, failwith, id, mutate, rename, summarise,
##     summarize
## Загрузка требуемого пакета: scales
## Загрузка требуемого пакета: grid
plot <-ggbiplot(data_new.pca, 
         scale=0, 
         groups = as.factor(data_new_country$continent), 
         ellipse = T,
         alpha = 0.2, varname.size = 2 ) +
  theme_minimal()

ggplotly(plot)

#Интерпретация РСА анализа

По результатам построения би-плота можно отметить, что группы стран по континентам расположены слева направо от Африки к Европе. При этом слева направо уменьшаются значения переменных различных видов смертности и увеличиваются значения переменных продолжительности жизни и различные переменные отражающие социальную защищенность. От верхнего левого угла к правому нижнему углу графика умешаются суициды и безработица и нарастает иммунизация. От левого нижнего к правому верхнему углу графика сельское население сменяется на городское, увеличиваются значения экономических переменных и доходов на душу населения. Страны Америки и Европы больше ориентирвоаны на правый верхний угол графика и распределены компактно. Африканские страны больше расположены в левой чатси графика и рассеяны и вверху, и внизу (по переменным 2 конпоненты, в которые входят переменные иммунизации и населения (городское/сельское)). Страны Азии и Океании достаточно рассеянно распределены от левой части графика к правой ( по переменным 1 компоненты - продолжительность жизни, смертность от различных причин, переменные, отражающие социальную защищенность).

#UMAP

library(tidymodels)
## Warning: пакет 'tidymodels' был собран под R версии 4.3.2
## ── Attaching packages ────────────────────────────────────── tidymodels 1.1.1 ──
## ✔ broom        1.0.5     ✔ rsample      1.2.0
## ✔ dials        1.2.0     ✔ tibble       3.2.1
## ✔ infer        1.0.5     ✔ tidyr        1.3.0
## ✔ modeldata    1.2.0     ✔ tune         1.1.2
## ✔ parsnip      1.1.1     ✔ workflows    1.1.3
## ✔ purrr        1.0.2     ✔ workflowsets 1.0.1
## ✔ recipes      1.0.8     ✔ yardstick    1.2.0
## Warning: пакет 'dials' был собран под R версии 4.3.2
## Warning: пакет 'infer' был собран под R версии 4.3.2
## Warning: пакет 'modeldata' был собран под R версии 4.3.2
## Warning: пакет 'parsnip' был собран под R версии 4.3.2
## Warning: пакет 'recipes' был собран под R версии 4.3.2
## Warning: пакет 'rsample' был собран под R версии 4.3.2
## Warning: пакет 'tune' был собран под R версии 4.3.2
## Warning: пакет 'workflows' был собран под R версии 4.3.2
## Warning: пакет 'workflowsets' был собран под R версии 4.3.2
## Warning: пакет 'yardstick' был собран под R версии 4.3.2
## ── Conflicts ───────────────────────────────────────── tidymodels_conflicts() ──
## ✖ plyr::arrange()       masks plotly::arrange(), dplyr::arrange()
## ✖ data.table::between() masks dplyr::between()
## ✖ recipes::check()      masks devtools::check()
## ✖ infer::chisq_test()   masks rstatix::chisq_test()
## ✖ purrr::compact()      masks plyr::compact()
## ✖ plyr::count()         masks dplyr::count()
## ✖ plyr::desc()          masks rstatix::desc(), dplyr::desc()
## ✖ purrr::discard()      masks scales::discard()
## ✖ plyr::failwith()      masks dplyr::failwith()
## ✖ rstatix::filter()     masks plotly::filter(), dplyr::filter(), stats::filter()
## ✖ data.table::first()   masks dplyr::first()
## ✖ dials::get_n()        masks rstatix::get_n()
## ✖ plyr::id()            masks dplyr::id()
## ✖ dplyr::lag()          masks stats::lag()
## ✖ data.table::last()    masks dplyr::last()
## ✖ plyr::mutate()        masks ggpubr::mutate(), rstatix::mutate(), plotly::mutate(), dplyr::mutate()
## ✖ infer::prop_test()    masks rstatix::prop_test()
## ✖ plyr::rename()        masks plotly::rename(), dplyr::rename()
## ✖ recipes::step()       masks stats::step()
## ✖ plyr::summarise()     masks plotly::summarise(), dplyr::summarise()
## ✖ plyr::summarize()     masks dplyr::summarize()
## ✖ infer::t_test()       masks rstatix::t_test()
## ✖ purrr::transpose()    masks data.table::transpose()
## • Use tidymodels_prefer() to resolve common conflicts.
library(embed)
## Warning: пакет 'embed' был собран под R версии 4.3.2
umap_prep <- recipe(~., data = data_new) %>% 
  step_normalize(all_predictors()) %>% 
  step_umap(all_predictors()) %>%  
  prep() %>%  
  juice() 


umap_plot <- umap_prep %>%
  ggplot(aes(UMAP1, UMAP2)) +  
  geom_point(aes(color = as.character(data_new_country$continent)), 
             alpha = 0.7, size = 2) +
  labs(color = NULL)

ggplotly(umap_plot)

По результатам UMAP так же можно отметить, что страны Африки сгруппированы в левой чатси графика, страны Европы и Америки распределены в правой части графика. Страны Океании более рассеяны по компененте 1 (слева направо), страны Азии - по компоненте 2 (сверху вниз). Можно сказать, что результаты РСА анализа и UMAP анализа показали похожие результаты, за исключением некоторых деталей. Возможно, это потому, что связи между переменными в большинстве случаев линейные.

#Давайте самостоятельно увидим, что снижение размерности – это группа методов, славящаяся своей неустойчивостью. Удалите 5 случайных колонок. Проведите PCA анализ. Повторите результат 3 раза. Наблюдаете ли вы изменения в куммулятивном проценте объяснённой вариации? В итоговом представленииданных на биплотах? С чем связаны изменения между тремя PCA?

Первый раз

data_new_1 <- data_new%>%
  subset(select = -c(3:7))

data_new1.pca <- prcomp(data_new_1, 
                        scale = T)

summary(data_new1.pca)
## Importance of components:
##                           PC1    PC2     PC3     PC4     PC5     PC6     PC7
## Standard deviation     2.3925 1.4386 1.14112 1.07227 0.94761 0.86591 0.81451
## Proportion of Variance 0.4089 0.1478 0.09301 0.08213 0.06414 0.05356 0.04739
## Cumulative Proportion  0.4089 0.5567 0.64969 0.73182 0.79596 0.84952 0.89691
##                            PC8     PC9    PC10    PC11    PC12    PC13
## Standard deviation     0.69175 0.60961 0.54765 0.36166 0.34750 0.20421
## Proportion of Variance 0.03418 0.02654 0.02142 0.00934 0.00863 0.00298
## Cumulative Proportion  0.93109 0.95763 0.97905 0.98840 0.99702 1.00000
##                             PC14
## Standard deviation     2.893e-16
## Proportion of Variance 0.000e+00
## Cumulative Proportion  1.000e+00
fviz_eig(data_new1.pca, addlabels = T, ylim = c(0, 40))

fviz_pca_var(data_new1.pca, col.var = "contrib")

fviz_pca_var(data_new1.pca, 
             select.var = list(contrib = 5), 
             col.var = "contrib")

fviz_contrib(data_new1.pca, choice = "var", axes = 1, top = 24) # 1

fviz_contrib(data_new1.pca, choice = "var", axes = 2, top = 24) # 2

fviz_contrib(data_new1.pca, choice = "var", axes = 3, top = 24)

fviz_contrib(data_new1.pca, choice = "var", axes = 4, top = 24)

plot1 <-ggbiplot(data_new1.pca, 
         scale=0, 
         groups = as.factor(data_new_country$continent), 
         ellipse = T,
         alpha = 0.2, varname.size = 2 ) +
  theme_minimal()

ggplotly(plot1)

Теперь большее количество данных объясняется первыми 4 компонентами, но незначительно большее. Переменные, входящие в состав компонент, поменялись. При этом переменные на рисунке с кругом сгруппированы похожим образом, но как будто ближе друг к другу.Переменная суицида теперь совпадает в переменной населения в городах и противопоставляется населению в деревнях (возможно, это было и по предыдущему датасету, но там большое количество переменных мешало это разобрать). Точки стран теперь более сгруппированы и группы стран накладываются друг на друга, хотя закономерности сохраняются (Африканские страны слева вверху, затем слева направо Океания, Азия, Америка Европа, Океания и Азия наиболее вытянуты по отношению к оси х.

Второй раз.

data_new_2 <- data_new%>%
  subset(select = -c(2, 5, 8, 10, 17))

data_new2.pca <- prcomp(data_new_2, 
                        scale = T)

summary(data_new2.pca)
## Importance of components:
##                           PC1    PC2     PC3     PC4     PC5     PC6     PC7
## Standard deviation     2.4842 1.2563 1.13293 0.98930 0.90641 0.86711 0.78619
## Proportion of Variance 0.4408 0.1127 0.09168 0.06991 0.05868 0.05371 0.04415
## Cumulative Proportion  0.4408 0.5535 0.64521 0.71512 0.77380 0.82751 0.87166
##                            PC8     PC9   PC10    PC11   PC12   PC13    PC14
## Standard deviation     0.71838 0.63767 0.5650 0.47889 0.3724 0.3388 0.26861
## Proportion of Variance 0.03686 0.02904 0.0228 0.01638 0.0099 0.0082 0.00515
## Cumulative Proportion  0.90852 0.93756 0.9604 0.97674 0.9867 0.9949 1.00000
fviz_eig(data_new2.pca, addlabels = T, ylim = c(0, 40))

fviz_pca_var(data_new2.pca, col.var = "contrib")

fviz_pca_var(data_new2.pca, 
             select.var = list(contrib = 5), 
             col.var = "contrib")

fviz_contrib(data_new2.pca, choice = "var", axes = 1, top = 24) # 1

fviz_contrib(data_new2.pca, choice = "var", axes = 2, top = 24) # 2

fviz_contrib(data_new2.pca, choice = "var", axes = 3, top = 24)

fviz_contrib(data_new2.pca, choice = "var", axes = 4, top = 24)

plot2 <-ggbiplot(data_new2.pca, 
         scale=0, 
         groups = as.factor(data_new_country$continent), 
         ellipse = T,
         alpha = 0.2, varname.size = 2 ) +
  theme_minimal()

ggplotly(plot2)

В данном случае такое же количество компонент описывает большую часть вариабельности, изменились соотношения между переменными, вероятно, в результате ужаления некторые связанных переменных из их групп. На биплоте все еще сохраняется движение групп стран слева направо от Африки к Европе, большая удлинненость Океании и Азии по оси х, но теперь страны Африки распределены более компактно и поменяли направление эллипса на противоположное (вместе с направлением переменных), страны Европы стали более рассеянны вдоль 2-ой компоненты.

Третий раз

data_new_3 <- data_new%>%
  subset(select = -c(1, 3, 4, 9, 16))

data_new3.pca <- prcomp(data_new_3, 
                        scale = T)

summary(data_new3.pca)
## Importance of components:
##                           PC1    PC2     PC3     PC4     PC5     PC6     PC7
## Standard deviation     2.2779 1.3944 1.15632 1.05243 0.98004 0.92022 0.84405
## Proportion of Variance 0.3706 0.1389 0.09551 0.07912 0.06861 0.06049 0.05089
## Cumulative Proportion  0.3706 0.5095 0.60502 0.68413 0.75274 0.81322 0.86411
##                            PC8     PC9    PC10    PC11    PC12    PC13    PC14
## Standard deviation     0.74141 0.63238 0.59742 0.54656 0.36061 0.35485 0.20315
## Proportion of Variance 0.03926 0.02856 0.02549 0.02134 0.00929 0.00899 0.00295
## Cumulative Proportion  0.90337 0.93194 0.95743 0.97877 0.98806 0.99705 1.00000
fviz_eig(data_new3.pca, addlabels = T, ylim = c(0, 40))

fviz_pca_var(data_new3.pca, col.var = "contrib")

fviz_pca_var(data_new3.pca, 
             select.var = list(contrib = 5), 
             col.var = "contrib")

fviz_contrib(data_new3.pca, choice = "var", axes = 1, top = 24) # 1

fviz_contrib(data_new3.pca, choice = "var", axes = 2, top = 24) # 2

fviz_contrib(data_new3.pca, choice = "var", axes = 3, top = 24)

fviz_contrib(data_new3.pca, choice = "var", axes = 4, top = 24)

plot3 <-ggbiplot(data_new3.pca, 
         scale=0, 
         groups = as.factor(data_new_country$continent), 
         ellipse = T,
         alpha = 0.2, varname.size = 2 ) +
  theme_minimal()

ggplotly(plot3)

Теперь больше компонент тербуется для описания большей части вариабельности, другие переменные стали основными (иммунизации, вида топлива и технологий приготовления пищи, санитарной обеспеченности). Теперь можно выделить три группы переменных - различные перменные смертности + деревенское население, им противопоставляется городское население, суицид, доход на душу населения, санитарная обеспеченность, оснащенность стационаров и отдельно стоит группа переменных иммунизации. Поменялись направления распределения стран, Африканские страны снова распределены более рассеянно, европейские и америанские более компактно.

Разница между этими тремя анализами, вероятнее всего, объясняется тем, что удаляются связанные переменные из своих групп, меняются направления распределения стран по этим переменным, также меняются уравнения, которые описывают связи между признаками (какие-то могут стать нелинейными).

#Давайте самостоятельно увидим, что снижение размерности – это группа методов, славящаяся своей неустойчивостью. Создайте две дамми-колонки о том: (1) принадлежит ли страна к африканскому континенту, (2) Океании. Проведите PCA вместе с ними, постройте биплоты. Проинтерпрейтируйте результат.Объясните, почему добавление дамми-колонок не совсем корректно в случае PCA нашего типа.

data_new_4 <- data_new_country%>%
  mutate(Africa = ifelse(continent == 'Africa', 1, 0 ),
         Oceania = ifelse(continent == 'Oceania', 1, 0))%>%
  select(-continent, -Country)
           

data_new4.pca <- prcomp(data_new_4, 
                        scale = T)

summary(data_new4.pca)
## Importance of components:
##                           PC1    PC2    PC3     PC4     PC5     PC6    PC7
## Standard deviation     2.8400 1.4851 1.3960 1.28878 1.11384 1.01306 0.9514
## Proportion of Variance 0.3841 0.1050 0.0928 0.07909 0.05908 0.04887 0.0431
## Cumulative Proportion  0.3841 0.4891 0.5819 0.66098 0.72006 0.76893 0.8120
##                            PC8     PC9    PC10    PC11    PC12    PC13    PC14
## Standard deviation     0.92891 0.84328 0.70113 0.67720 0.62108 0.55110 0.46766
## Proportion of Variance 0.04109 0.03386 0.02341 0.02184 0.01837 0.01446 0.01041
## Cumulative Proportion  0.85312 0.88699 0.91040 0.93223 0.95060 0.96506 0.97548
##                           PC15    PC16    PC17    PC18    PC19    PC20
## Standard deviation     0.39263 0.35858 0.34148 0.26517 0.20133 0.06900
## Proportion of Variance 0.00734 0.00612 0.00555 0.00335 0.00193 0.00023
## Cumulative Proportion  0.98282 0.98894 0.99449 0.99784 0.99977 1.00000
##                             PC21
## Standard deviation     9.958e-16
## Proportion of Variance 0.000e+00
## Cumulative Proportion  1.000e+00
fviz_eig(data_new4.pca, addlabels = T, ylim = c(0, 40))

fviz_pca_var(data_new4.pca, col.var = "contrib")

fviz_pca_var(data_new4.pca, 
             select.var = list(contrib = 5), 
             col.var = "contrib")

fviz_contrib(data_new4.pca, choice = "var", axes = 1, top = 24) # 1

fviz_contrib(data_new4.pca, choice = "var", axes = 2, top = 24) # 2

fviz_contrib(data_new4.pca, choice = "var", axes = 3, top = 24)

fviz_contrib(data_new4.pca, choice = "var", axes = 4, top = 24)

plot4 <-ggbiplot(data_new4.pca, 
         scale=0, 
         groups = as.factor(data_new_country$continent), 
         ellipse = T,
         alpha = 0.2, varname.size = 2 ) +
  theme_minimal()

ggplotly(plot4)

Сильных отличий от первоначально получившегося биплота я не заметила, группы и направления переменных похожи, точки распределны примерно так же. Использовать дамми-колонки в данном случае не совсем корректно, так как они бинарные и связи с ними не описываются линейными уравнениями.